Paz Ruza, JorgeAlonso-Betanzos, AmparoGuijarro-Berdiñas, BerthaEiras-Franco, CarlosCancela, Brais2025-01-172025-01-172024J. Paz-Ruza, A. Alonso-Betanzos, B. Guijarro-Berdinas, C. Eiras-Franco, B. Cancela, "Explicabilidad Sostenible para Sistemas de Recomendación mediante Ranking Bayesiano de Imagenes ", XX Conferencia de la Asociación Española para la Inteligencia Artificial (CAEPIA 2024), organizado por Asociación Española para la Inteligencia Artificial (AEPIA), A Coruña, 19 al 21 de junio de 2024, pp. 489-494. ISBN Libro de Actas: 978-84-09-62724-0978-84-09-62724-0http://hdl.handle.net/2183/40756Dataset depositado no repositorio: https://zenodo.org/records/14622324Presentado na XX Conferencia de la Asociación Española para la Inteligencia Artificial (CAEPIA 2024), organizado por Asociación Española para la Inteligencia Artificial (AEPIA), A Coruña, 19 al 21 de junio de 2024[Abstract]: Los Sistemas de Recomendacion se han vuelto cruciales por su gran influencia en la sociedad pero, siendo mayoritariamente sistemas de caja negra, fomentar su transparencia es tan primordial como complejo; utilizar contenido visual creado por los usuarios para explicar nuevas recomendaciones es una opcion prometedora para maximizar su confianza. Los algoritmos existentes presentan arquitecturas altamente optimizadas pero modelan de forma indirecta y suboptima la selección de mejores imagenes como explicaciones, provocando un entrenamiento ineficiente y un alto coste computacional que no puede ser reducido sin afectar al rendimiento del modelo. Este trabajo presenta BRIE, un nuevo modelo basado en Ranking Bayesiano por Pares que mejora el proceso de entrenamiento, supera al Estado del Arte en conjuntos de datos reales, y reduce en un 98 % el tamano de los modelos y en un 75 % las emisiones de CO2.spaAtribución 3.0 Españahttp://creativecommons.org/licenses/by/3.0/es/IA VerdexAIIA FrugalSistemas de RecomendacionRanking Bayesiano por Paresconference outputopen access10.5281/zenodo.14677855